uvadlc_notebooks
1.0.0
注意：要查看笔记本格式，请访问我们的RTD网站：https：//uvadlc-notebooks.readthedocs.io/en/latest/
课程网站：https：//uvadlc.github.io/
课程版：2024年秋季（10月28日至12月20日） - 保持最新
录音：YouTube播放列表
作者：Phillip Lippe
在今年的课程版中，我们创建了一系列jupyter笔记本电脑，旨在通过查看相应的实现来帮助您从讲座中理解“理论”。我们将访问各种主题，例如优化技术，变压器，图形神经网络等（有关完整列表，请参见下文）。笔记本可以帮助您理解材料，并教您Pytorch框架的详细信息，包括Pytorch Lightning 。此外，我们将笔记本的一对一翻译作为替代框架。
笔记本在每个小组教程会议的第一小时内介绍。在教程会议期间，我们将介绍内容并解释笔记本的实现。您可以决定自己只是想查看填充的笔记本，想自己尝试还是在实践会议期间进行代码。笔记本并不是您将在其上进行分级或类似分级的任何强制性作业的一部分。但是，我们鼓励您熟悉笔记本和实验或自己扩展。此外，提出的内容将与分级任务和考试有关。
这些教程已被整合为Pytorch Lightning的官方教程。因此，您也可以在他们的文档中查看它们。
在此网站上，您会发现将笔记本电脑导出为HTML格式，以便您可以从任何您喜欢的设备中阅读它们。但是，我们建议您也尝试一下自己。我们建议运行笔记本的三种主要方法：
在CPU上本地：所有笔记本电脑都存储在GitHub存储库中，该存储库也构建了该网站。您可以在这里找到它们：https：//github.com/phlippe/uvadlc_notebooks/tree/master/master/docs/tutorial_notebooks。这些笔记本的设计是为了使您可以在普通笔记本电脑上执行它们，而无需GPU。我们提供了经过验证的模型，这些模型会在运行笔记本时自动下载，或者可以从该Google驱动器中手动下载。预告片和数据集的所需磁盘空间小于1GB。为了确保您安装了所有正确的Python软件包，我们在同一存储库中提供CONDA环境（根据您的系统选择CPU或GPU版本）。
Google Colab ：如果您希望在与您自己的计算机不同的平台上运行笔记本电脑，或者想尝试GPU支持，我们建议使用Google Colab。此文档网站上的每个笔记本都有一个徽章，并具有在Google Colab上打开它的链接。请记住在运行笔记本之前启用GPU支持（ Runtime -> Change runtime type ）。每个笔记本都可以独立执行，并且不需要您连接Google驱动器或类似。但是，关闭会话时，如果您不将其保存到本地计算机或已将笔记本复制到Google Drive中，则可能会丢失更改。
Snellius群集：如果您想根据笔记本训练自己的（较大）神经网络，则可以使用Snellius群集。但是，只有在您真的想培训新模型并使用其他两个选项进行讨论和分析时，才建议这样做。 Snellius可能不允许您使用学生帐户直接在GPU_SHARED分区上运行Jupyter笔记本。取而代之的是，您可以首先使用jupyter nbconvert --to script ...ipynb将笔记本电脑转换为脚本，然后在Snellius上启动一项工作以运行脚本。在Snellius上跑步时有一些建议：
progress_bar_refresh_rate=0来做到这一点。plt.show()到plt.savefig(...) 。 我们将讨论该课程中的7个教程，分布在讲座上，以涵盖各个领域的内容。您可以根据其主题将教程与讲座的教程保持一致。教程列表是：
这是我们在深度学习课程中第一次介绍这些教程。与其他任何项目一样，预计小错误和问题。我们感谢学生的任何反馈，无论是关于拼写错误，实现错误还是对笔记本的改进/补充的建议。请使用以下链接提交反馈，或者可以通过邮件直接与我联系（p dot lippe in Uva dot nl），或在任何TA会话中抓住我。
如果您发现教程有帮助并且想引用它们，则可以使用以下Bibtex：
@misc { lippe2024uvadlc ,
title = { {UvA Deep Learning Tutorials} } ,
author = { Phillip Lippe } ,
year = 2024 ,
howpublished = { url{https://uvadlc-notebooks.readthedocs.io/en/latest/} }
}
